场景感知一直是计算机视觉领域里一个重要的研究热点,且随着任务逐渐精细化,其已从图像级感知进入到密像素级感知阶段,要求捕获每一个像素的标签信息。本文围绕密像素级感知中的两个重要子任务,即图像语义分割和单目深度估计,展开研究。前者回答了每一个像素“是什么”的问题,后者回答了该像素离拍摄源“有多远”的问题。现目前最先进的算法都是依赖于深度学习的方法,这些方法通过堆叠大量的卷积操作以达到提升模型精度的目的。但同时,这些方法也增加了大量的模型参数和计算量,往往需要消耗更多的内存,造成模型需要冗长的运行时间。这就导致了这些计算密集型算法无法适应于实时应用场景,如自动驾驶、物联网等。因为在这些应用中,大多数系统不仅在计算资源上受到限制,而且还要满足延迟要求。因此一个关键的挑战是如何平衡模型的准确性和实时性。本文针对这一问题,就兼具精度与速度的高效图像语义分割和单目深度估计方法进行了深入研究。首先,针对语义分割任务,本文提出了一种基于全卷积残差块的轻量级方法。整个网络采用了传统的编码器-解码器的结构。为了减少计算量,本文利用残差块构建了一个小型的编码器。通过比较三种解码器结构,本文在其中一个较优的结构基础上引入了通道注意力机制,以加强模型对有效通道的学习。接着,针对各层特征的特点,本文采用了不同的特征融合策略。对于高阶特征,利用带孔空间金字塔池化模块去进一步提取特征图中的语义信息;而对于低阶特征,则从通道和空间两方面去捕获注意力,还原更清晰的物体边界轮廓信息。最后,本文使用在线困难样本挖掘的策略来缓解样本不平衡的问题。其次,针对单目深度估计任务,本文提出了一种基于非对称卷积块的轻量级模型。本次实验沿用了上述轻量级编码器,并引入了非对称卷积块对其进行改造。在训练时,利用非对称卷积加强了标准卷积核的表示能力;而在测试阶段,通过参数的融合又使得多的分支计算能够融入到原来的结构中。因此模型在提升精确度的同时并不会增加推理时间。而在解码器部分,本文基于非对称卷积块提出了一种新的上采样方法,它能够有效提取物体多个尺度的特征,还原更多的空间细节信息,从而进一步提升网络的精确度。为了验证本文所提方法的有效性,本文分别在城市街道数据集Cityscapes和室内场景数据集NYU-Depth V2上进行了充分的消融实验。实验结果表明,本文所提出的轻量级编码器具有良好的通用性,能够较好地适用于语义分割和单目深度估计等密像素级场景感知任务。本文在确保模型达到实时性的同时,提升了分割和深度估计的精确度。和其他方法相比,本文所提出的模型也取得了具有竞争力的成绩。